+关注
已关注

分类  

暂无分类

标签  

暂无标签

日期归档  

2019-07(2)

2019-08(106)

2019-09(110)

2019-10(14)

2019-11(8)

用python和FreePic2Pdf工具手把手教你生成扫描版PDF文档的目录

发布于2020-07-31 22:48     阅读(271)     评论(0)     点赞(15)     收藏(0)


0

1

2

3

4

5

6

7

8

从网上下载一本书籍来看,结果却是书籍页数几百页还没有目录,要想找到自己想看的部分还的自己徒手去翻,哇。。。。。这时心态就崩了,你识别是也遇到过这种情况。很多下载下来的pdf文档都是扫描版的,一般都没有目录,这样看起来就比较麻烦,所以就必须通过某些捷径办法来获得目录了。。。。。哎,由于我们能力有限无法支持原版,所以只能通过一些小手段了。。。。

利用python生成PDF文档目录

首先介绍一种适合程序员的方法,只需要有 python 编程环境即可,不需要安装第三方 PDF 软件。

事前准备:安装 python 第三方库 PyPDF2

首先安装 python 第三方库 PyPDF2:pip install PyPDF2

注意:原版 PyPDF2 在读取某些 PDF 时存在 bug,需要根据
https://github.com/mstamy2/PyPDF2/issues/368 中提到的方法对源代码进行简单的修改,即把 ${PYTHON_PATH}/site-packages/PyPDF2/pdf.py 中的dest = Destination(NameObject("/"+title + " bookmark"), pageRef, NameObject(fit), *zoomArgs)
改成
dest = Destination(NullObject(), pageRef,NameObject(fit), *zoomArgs)

然后创建包含以下代码的脚本(假设命名为 PDFbookmark.py):

import re
import sys

from distutils.version import LooseVersion
from os.path import exists, splitext
from PyPDF2 import PdfFileReader, PdfFileWriter

is_python2 = LooseVersion(sys.version) < '3'

def _get_parent_bookmark(current_indent, history_indent, bookmarks):
   
    assert len(history_indent) == len(bookmarks)
    if current_indent == 0:
        return None
    for i in range(len(history_indent) - 1, -1, -1):
        # len(history_indent) - 1   ===>   0
        if history_indent[i] < current_indent:
            return bookmarks[i]
    return None

def addBookmark(pdf_path, bookmark_txt_path, page_offset):
    if not exists(pdf_path):
        return "Error: No such file: {}".format(pdf_path)
    if not exists(bookmark_txt_path):
        return "Error: No such file: {}".format(bookmark_txt_path)

    with open(bookmark_txt_path, 'r', encoding='utf-8') as f:
        bookmark_lines = f.readlines()
    reader = PdfFileReader(pdf_path)
    writer = PdfFileWriter()
    writer.cloneDocumentFromReader(reader)

    maxPages = reader.getNumPages()
    bookmarks, history_indent = [], []
    # decide the level of each bookmark according to the relative indent size in each line
    #   no indent:          level 1
    #     small indent:     level 2
    #       larger indent:  level 3
    #   ...
    for line in bookmark_lines:
        line2 = re.split(r'\s+', unicode(line.strip(), 'utf-8')) if is_python2 else re.split(r'\s+', line.strip())
        if len(line2) == 1:
            continue

        indent_size = len(line) - len(line.lstrip())
        parent = _get_parent_bookmark(indent_size, history_indent, bookmarks)
        history_indent.append(indent_size)

        title, page = ' '.join(line2[:-1]), int(line2[-1]) - 1
        if page + page_offset >= maxPages:
            return "Error: page index out of range: %d >= %d" % (page + page_offset, maxPages)
        new_bookmark = writer.addBookmark(title, page + page_offset, parent=parent)
        bookmarks.append(new_bookmark)

    out_path = splitext(pdf_path)[0] + '-new.pdf'
    with open(out_path,'wb') as f:
        writer.write(f)

    return "The bookmarks have been added to %s" % out_path

if __name__ == "__main__":
    import sys
    args = sys.argv
    if len(args) != 4:
        print("Usage: %s [pdf] [bookmark_txt] [page_offset]" % args[0])
    else:
        print(addBookmark(args[1], args[2], int(args[3])))

补充:
上述代码中的 page_offset 一般设成 0 即可,它只会在特殊的情况下使用,即 PDF 自带的目录中页码和实际页码存在偏差(通常是一个固定的偏移)的情况,这时只需要将 page_offset 改成实际相应的偏差页数即可。

添加书签/目录

准备一个 txt 文本文件(假设命名为 toc.txt),在其中手动录入需要添加的目录,或者从文本型 PDF 中直接复制出目录,采用类似下面格式即可:

Introduction                            	   14
I. Interview Questions                         99
    Data Structures                            100
    Chapter 1 | Arrays and Strings             100
        Hash Tables                            100
        StringBuilder                          101
    Chapter 2 | Linked Lists                   104
        Creating a Linked List                 104
        The "Runner" Technique                 105
    Additional Review Problems                 193

唯一的要求是每一行的最后一项是页码(前面的空白符个数不限),并且相同级别的书签要采用相同的缩进量(空格或 tab 都可以)。

【注意】如果是在 Windows 上创建 txt 文档的话,需要注意将文件保存为 UTF-8 编码格式,不然的话其中的汉字用第 ①步的脚本读取出来就是乱码了。(Windows 上直接创建的 txt 文档一般默认都是 ANSI 编码格式)

然后在第 ① 步中创建的 PDFbookmark.py 所在目录下打开终端/命令提示符,运行以下代码即可:

其中最后一个参数 9 表示将 toc.txt 文件中的页码全部偏移 +9(即全部加上 9)
 python ./PDFbookmark.py '/Users/Emrys/Desktop/demo 2015.pdf' '/Users/Emrys/Desktop/toc.txt' 9

运行之后,会在要添加目录的 PDF 文件同目录下面生成一个新的 PDF 文件,名字为 [原 PDF 文件名]-new.pdf。 演示效果如下:

【补充】:可能存在的问题

问题一:ValueError: {’/Type’: ‘/Outlines’, ‘/Count’: 0} is not in list

如果上面脚本要处理的 PDF 文件之前被其他 PDF 编辑器软件修改过目录/书签的话,可能会导致类似下面的报错:

Traceback (most recent call last):
  File ".\PDFbookmark.py", line 70, in <module>
    print(addBookmark(args[1], args[2], int(args[3])))
  File ".\PDFbookmark.py", line 55, in addBookmark
    new_bookmark = writer.addBookmark(title, page + page_offset, parent=parent)
  File "C:\Anaconda3\lib\site-packages\PyPDF2\pdf.py", line 732, in addBookmark
    outlineRef = self.getOutlineRoot()
  File "C:\Anaconda3\lib\site-packages\PyPDF2\pdf.py", line 607, in getOutlineRoot
    idnum = self._objects.index(outline) + 1
ValueError: {'/Type': '/Outlines', '/Count': 0} is not in list

这种情况下,需要把 PyPDF2 源码中 pdf.py 文件的 getOutlineRoot() 函数修改一下。
(源码文件路径是 ${PYTHON_PATH}/site-packages/PyPDF2/pdf.py):

  def getOutlineRoot(self):
        if '/Outlines' in self._root_object:
            outline = self._root_object['/Outlines']
            try:
                idnum = self._objects.index(outline) + 1
            except ValueError:
                if not isinstance(outline, TreeObject):
                    def _walk(node):
                        node.__class__ = TreeObject
                        for child in node.children():
                            _walk(child)
                    _walk(outline)
                outlineRef = self._addObject(outline)
                self._addObject(outlineRef.getObject())
                self._root_object[NameObject('/Outlines')] = outlineRef
                idnum = self._objects.index(outline) + 1
            outlineRef = IndirectObject(idnum, 0, self)
            assert outlineRef.getObject() == outline
        else:
            outline = TreeObject()
            outline.update({ })
            outlineRef = self._addObject(outline)
            self._root_object[NameObject('/Outlines')] = outlineRef

        return outline

问题二:RuntimeError: generator raised StopIteration

如果你在做了上述修改之后,运行脚本时遇到了 RuntimeError: generator raised StopIteration 的错误,请检查一下是不是 Python 版本大于等于 3.7(因为从 v3.7 版本之后,Python 对终止迭代的方式处理发生了变化,详情可以参考 PEP 479),如果是的话,请尝试使用 v3.7 之前版本的 Python 来运行上面的代码。

Python 导出 PDF 中目录/书签

import sys

from distutils.version import LooseVersion
from os.path import exists
from PyPDF2 import PdfFileReader

is_python2 = LooseVersion(sys.version) < '3'


def _parse_outline_tree(outline_tree, level=0):
    """Return List[Tuple[level(int), page(int), title(str)]]"""
    ret = []
    for heading in outline_tree:
        if isinstance(heading, list):
            # contains sub-headings
            ret.extend(_parse_outline_tree(heading, level=level+1))
        else:
            ret.append((level, heading.page.idnum, heading.title))
    return ret

def extractBookmark(pdf_path, bookmark_txt_path):
    if not exists(pdf_path):
        return "Error: No such file: {}".format(pdf_path)
    if exists(bookmark_txt_path):
        print("Warning: Overwritting {}".format(bookmark_txt_path))

    reader = PdfFileReader(pdf_path)
    # List of ('Destination' objects) or ('Destination' object lists)
    #  [{'/Type': '/Fit', '/Title': u'heading', '/Page': IndirectObject(6, 0)}, ...]
    outlines = reader.outlines
    # List[Tuple[level(int), page(int), title(str)]]
    outlines = _parse_outline_tree(outlines)
    max_length = max(len(item[-1]) + 2 * item[0] for item in outlines) + 1
    # print(outlines)
    with open(bookmark_txt_path, 'w') as f:
        for level, page, title in outlines:
            level_space = '  ' * level
            title_page_space = ' ' * (max_length - level * 2 - len(title))
            if is_python2:
                title = title.encode('utf-8')
            f.write("{}{}{}{}\n".format(level_space, title, title_page_space, page))
    return "The bookmarks have been exported to %s" % bookmark_txt_path


if __name__ == "__main__":
    import sys
    args = sys.argv
    if len(args) != 3:
        print("Usage: %s [pdf] [bookmark_txt]" % args[0])
    else:
        print(extractBookmark(args[1], args[2]))

以上代码来源【侵删】:
链接:https://www.zhihu.com/question/344805337/answer/1116258929
来源:知乎

FreePic2Pdf工具生成PDF文档目录

1. 软件下载

下载地址(https://pan.baidu.com/s/1kVHzVmf)密码:at9e

【注:该链接为VIP专属博文批量给pdf添加目录(最完整详细方法)提供,侵删】

软件面貌:
加粗样式

2. 将书籍的目录挂载到pdf步骤

2.1 打开软件FreePic2PDF,点击右下角“更改pdf”

在这里插入图片描述

2.2 选择“从PDF取书签”→需要操作的pdf文件→点击开始

在这里插入图片描述

会在当前pdf文件相同目录下生成书签配置文件夹, 里面包含FreePic2Pdf.itfFreePic2Pdf_bkmk.txt文件
(*.txt文件会保存你pdf已经存在的书签信息,因为没书签,此时当然是空的或是一些不完整的书签信息)
在这里插入图片描述

2.3 复制PDF目录页面所有目录说明到文本编辑

接下来通过复制PDF目录页面所有目录说明到文本编辑 这里我用的是Notepad++这个编辑器。

格式一定要对,特别是页码和节标题之间是tab键,各级目录之间要正确!!!(这是最麻烦的一步,但是肯定比自己一个个搞书签快)如下:
在这里插入图片描述
把调整好格式的文本复制到刚才提取书签生成的FreePic2Pdf_bkmk.txt文件中。

2.4 将书签挂到pdf中

直接点击往pdf挂书签即可(此时应关闭该pdf文档),打开pdf再看看目录是否添加成功,没成功或是有些不对的地方,多半是txt文件的数据格式不一样,调整调整即可。

如下添加成功了,哈哈哈~~~~~~
在这里插入图片描述
在这里插入图片描述

原文链接:https://blog.csdn.net/ywsydwsbn/article/details/107699577

0

1

2

3

4

5

6

7



所属网站分类: 技术文章 > 博客

作者:9384vfnv

链接: https://www.pythonheidong.com/blog/article/467305/55dca3bb7a7d6ba6681f/

来源: python黑洞网

任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任

15 0
收藏该文
已收藏

评论内容:(最多支持255个字符)